이상 감지

이상 감지는 머신 러닝(ML)에서 데이터의 대다수와 크게 다른 의심스러운 희귀 항목, 이벤트 또는 관찰을 식별하는 데 사용되는 기술입니다. 이러한 비정형 인스턴스를 이상, 특이값 또는 새로운 값이라고 합니다. 주요 목표는 정상적인 데이터 포인트와 비정상적인 데이터 포인트를 자동으로 구별하는 것입니다. 이 기능은 장비 고장, 금융 사기, 보안 침해 및 의료 문제와 같은 문제를 사전에 식별할 수 있도록 해주기 때문에 광범위한 분야에서 매우 중요합니다. 컴퓨터 비전(CV)의 맥락에서 이상 감지는 예상되는 동작과 일치하지 않는 이미지 및 비디오에서 비정상적인 패턴이나 객체를 찾는 것을 포함합니다.

이상 감지 vs. 객체 감지

이상 감지를 객체 감지와 구별하는 것이 중요합니다.

• 객체 감지: 이 작업은 이미지 내에서 알려진 객체 클래스의 인스턴스를 식별하고 찾는 데 중점을 둡니다. 예를 들어 객체 감지 모델은 거리 뷰 이미지에서 모든 자동차, 보행자 및 교통 표지판을 찾도록 훈련됩니다. 모델은 훈련 데이터의 미리 정의된 범주를 기반으로 무엇을 찾고 있는지 알고 있습니다.
• 이상 감지: 이 작업은 학습된 "정상" 정의에서 벗어나는 모든 것을 식별하는 것입니다. 많은 경우 시스템은 이상 징후가 어떻게 나타날지 미리 알지 못합니다. 예를 들어, 수천 장의 완벽한 제품 이미지로 학습하고 긁힘, 찌그러짐 또는 변색 등 이전에 본 적이 없는 결함 유형을 모두 표시하는 작업을 수행할 수 있습니다.

Ultralytics YOLO와 같은 모델은 특정 결함을 객체로 취급하여 이상 감지 버전을 수행하도록 사용자 정의 학습될 수 있지만, 근본적인 접근 방식은 다릅니다. 기존 객체 감지에는 찾아야 하는 모든 클래스의 예가 필요한 반면, 많은 이상 감지 방법은 정상 상태를 나타내는 데이터만 필요합니다.

이상 감지 방법

이상 감지 기술은 데이터 세트의 레이블 가용성에 따라 광범위하게 분류할 수 있습니다.

• 지도 학습(Supervised Learning): 이 방법은 "정상" 및 "비정상" 예제로 레이블링된 데이터 세트가 필요합니다. 분류 모델은 이 둘을 구별하도록 훈련됩니다. 이 접근 방식은 매우 효과적이지만, 크고 잘 레이블링된 데이터 세트가 필요하다는 제한이 있으며, 이상 징후는 정의상 드물기 때문에 이를 얻기가 어려울 수 있습니다.
• 준지도 학습: 이것은 가장 일반적인 접근 방식으로, 모델은 정상적인 예제의 데이터 세트에서만 학습됩니다. 시스템은 정상적인 패턴을 학습하고 이 학습된 모델에서 벗어나는 모든 데이터 포인트를 이상 징후로 표시합니다. 이는 이상 징후가 다양하고 예측할 수 없는 시나리오에 매우 실용적입니다.
• 비지도 학습: 이 방법은 레이블 없이 작동합니다. 이상 징후가 정상 데이터 포인트와 구별되는 소수라는 가정하에 작동합니다. 클러스터링(예: DBSCAN) 또는 통계적 방법과 같은 알고리즘을 사용하여 데이터 포인트를 그룹화하고, 고립된 점 또는 작은 클러스터를 이상 징후로 식별합니다. 다양한 방법에 대한 포괄적인 개요는 "이상 징후 탐지를 위한 딥 러닝: 설문 조사"와 같은 해당 주제에 대한 학술 조사에서 찾을 수 있습니다.

실제 애플리케이션

이상 감지는 많은 지능형 시스템의 초석이며, 산업 전반에 걸쳐 중요한 통찰력을 제공합니다.

1. 제조 품질 관리: 조립 라인에서 컴퓨터 비전 시스템은 제품을 실시간으로 모니터링할 수 있습니다. 완벽한 항목의 이미지로 학습된 모델은 균열, 정렬 불량 또는 누락된 구성 요소와 같은 결함을 즉시 발견할 수 있습니다. 스마트 제조에서 자주 탐구되는 이러한 자동화된 검사는 수동 검사보다 훨씬 효율적으로 품질을 개선하고 낭비를 줄입니다.
2. 보안 및 감시: 공공장소나 보안 시설에서 AI 기반 감시 시스템은 비정상적인 이벤트를 감지할 수 있습니다. 예를 들어, 차량이 교통 흐름을 역행하여 주행하는 것을 식별하거나, 공항에서 버려진 가방을 감지하거나, 제한 구역에 대한 무단 액세스를 표시할 수 있습니다. 이러한 시스템은 보안 담당자에게 실시간 경고를 제공할 수 있습니다.
3. 헬스케어 분야의 AI: 이상 감지는 스캔에서 잠재적으로 암세포를 강조 표시하거나 ECG 데이터에서 불규칙한 심장 박동을 식별하여 의료 영상 분석에 도움을 줍니다.
4. 금융 사기 탐지: 은행 및 금융 기관은 이상 탐지를 사용하여 거래 스트림을 모니터링하고 Kaggle의 신용 카드 사기 탐지 데이터 세트와 같은 공개 데이터 세트에서 발견되는 사기 행위를 나타내는 패턴을 식별합니다.
5. 사이버 보안: 사이버 공격 또는 데이터 침해를 나타낼 수 있는 비정상적인 패턴을 감지하기 위해 네트워크 트래픽이 모니터링됩니다. 사이버 보안 및 인프라 보안국(CISA)과 같은 조직은 이러한 사전 예방적 조치를 강조합니다.

도구 및 기술

견고한 이상 감지 시스템을 개발하려면 표준 ML 라이브러리와 특수 플랫폼을 함께 사용하는 경우가 많습니다.

• 프레임워크: PyTorch 및 TensorFlow는 사용자 정의 딥러닝 모델을 구축하고 훈련하는 데 필요한 기본적인 도구를 제공합니다.
• 라이브러리: 비전 작업이 아닌 경우 Scikit-learn은 다양한 알고리즘을 사용하여 이상치 및 이상 감지를 위한 전용 모듈을 제공합니다.
• 플랫폼: Ultralytics HUB는 클라우드 기반 훈련에서 다양한 모델 배포 옵션에 이르기까지 전체 모델 수명 주기를 간소화하는 통합 환경을 제공하여 Vision AI 애플리케이션 개발을 간소화합니다.